CC BY
12УДК 621.391
ИНФОРМАЦИОННО - УПРАВЛЯЮЩИЕ ТЕЛЕКОММУНИКАЦИОННЫЕ СИСТЕМЫ АУДИООБМЕНА И АВТОМАТИЗИРОВАННОГО МОНИТОРИНГА
Кропотов Юрий Анатольевич
кандидат технических наук, профессор, заведующий кафедрой ЭиВТ Муромского института (филиала) ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых».
Бейлекчи Дмитрий Владимирович
старший преподаватель Муромского института (филиала) ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых».
Белов Алексей Анатольевич
кандидат технических наук, доцент, доцент Муромского института (филиала) ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых».
Ермолаев Валерий Андреевич
кандидат технических наук, доцент Муромского института (филиала) ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых».
Карасев Олег Евгеньевич
кандидат технических наук, доцент, доцент Муромского института (филиала) ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых».
Колпаков Александр Анатольевич
старший преподаватель Муромского института (филиала) ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых».
Коноплев Алексей Николаевич
старший преподаватель Муромского института (филиала) ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых».
Проскуряков Александр Юрьевич
старший преподаватель Муромского института (филиала) ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых». Адрес: 602264 Муром, Владимирская обл., ул. Орловская, д. 23.
Аннотация: Передача информации речевыми сообщениями является эффективным средством обеспечения оперативного управления, обеспечения надежного функционирования сложных объектов, что повышает требования к характеристикам информационно-управляющих систем аудиообмена, функционирующих в условиях сложной помеховой обстановки. В работе проведено исследование и разработка методов и теоретических подходов к созданию алгоритмов обработки речевых сигналов, повышающих эффективность функционирования информационно-управляющих телекоммуникационных систем аудиообмена при воздействии внешних акустических помех высокой интенсивности. Также в работе осуществлено исследование и разработка моделей, методов и алгоритмов обработки, прогнозирования данных об уровнях загрязняющих выбросов в автоматизированных информационных системах мониторинга негативного воздействия на окружающую среду деятельности промышленного предприятия. Прогнозирование данных осуществляется с применением комбинированного алгоритма на основании аппарата вейвлет-преобразования и технологий искусственных нейронных сетей.
Ключевые слова: алгоритмы обработки, информационно-управляющая телекоммуникационная система аудиообмена, адаптивная компенсация, линейная и нелинейная фильтрация, экологический мониторинг, временные ряды, комбинированное прогнозирование, искусственные нейронные сети
1. Информационно - управляющие телекоммуникационные системы аудиообмена
Современный этап развития диспетчерско-технологических оперативно-командных систем телекоммуникаций характеризуется существенной интеграцией и повышением их функциональной насыщенности, характеризуется переходом на новые информационные технологии. Современные диспетчерско - технологические системы телекоммуникаций, в том числе оперативно-командные системы громкоговорящей связи (ГГС) получили все более широкое применение на многофункциональных объектах, в системах массового обслуживания. Современные системы телекоммуникаций имеют сетевую распределенную структуру в виде многоканальной системы передачи цифровой информации с увеличенной пропускной способностью сетей с применением высокоскоростных технологий Ethernet или ISDN вследствие требований на значительное число абонентских постов обмена.
В настоящее время такие системы представляют собой объект активных теоретических исследований. Исследователи, используя новый технологический уровень, обратились к созданию моделей алгоритмов высоких порядков, которые в условиях развития микроэлектроники стали практически реализуемыми. Вопросам разработки теоретических основ создания систем телекоммуникаций передачи речевой информации посвящено достаточно много
трудов известных авторов: Сапожков М.А., Фланаган Дж. Л., Вемян Г.В., Цыпкин Я.З., Уидроу Б., Оппенгейм А., Рабинер Л.Р., Назаров М.В., Прохоров ЮН.
Решение многих из приведенных вопросов основано на методах оптимизации, рассмотренных в работах Поляка Б.Т., Нестерова Ю.Е., Вандерберга Л. и др.
С их помощью решаются задачи параметрического анализа, синтеза и интеграции систем. Развитые в работах Катковника В.Я. теории позволяют решать задачи локальной аппроксимации и сглаживания сигналов. Предложенные ими методы делают возможным получение решений при самых общих функциональных ограничениях, налагаемых на сигналы и помехи.
Структурная схема цифрового абонентского устройства современной оперативно-командной телекоммуникационной системы обмена аудиокомандной, телеметрической и другой информацией имеет вид, представленный на рис. 1.
В процессорном модуле абонентского устройства может применяться встраиваемый одноплатный компьютер. Периферийные устройства могут подключаться по скоростным каналам и шинам расширения. Каналы Gigabit Ethernet позволяют использовать данное абонентское устройство через микропроцессорный стык абонентского доступа в развитой сетевой инфраструктуре системы телекоммуни
Рис. 1. Структурная схема цифрового абонентского устройства современной оперативно-командной системы телекоммуникаций
каций. Каждое абонентское устройство с микрофонным входом должно быть оборудовано системами обработки сигналов.
В работе рассмотрены новые модели речевых сигналов и помех, с учетом ограничений в оперативно-командной связи, в распределенных телекоммуникационных системах на многофункциональных объектах (например, на военных кораблях), исследуются одномерные плотности вероятности, корреляционные и спектральные характеристики.
Показано, что одной из адекватных характеристик речевого сигнала является функция плотности вероятности, которая может оцениваться путем построения гистограммы по большому числу данных. Представлен разработанный алгоритм построения гистограммы функции плотности вероятности по конечному числу «-разрядных оцифрованных отсчетов в следующем виде:
1 2«-1 N
р(х) = ^ I I5*,,, (1)
1У /=-2«+1,=1
где Р(х,) - оценка вероятности выборки х, х, - , - я выборка, представленная номером уровня квантования, х, е [-2« +1, 2« -1], |х, тах | = 2« -1, , - номер выборки в анализируемом интервале (, = 1, 2, ..., / - номер интервала гистограммы для анализа числа попаданий в него х, - ых выборок,/ е[-2«+1, 2« -1], 5/ - символ Кронекера, имеющий вид Г1, если х, = /,
5, Ч '
4 [0, если х, ф /.
Рассмотрено восстановление плотности вероятности речевого сигнала по эмпирическим данным. Исследуются различные аппроксимации функции плотности вероятности. В случае алгебраических и тригонометрических многочленов, описываемых выражениями: м
р(х) = 1 акхм-к , (2)
к=0
м
р(х) = 1 (ак cos(kax) + Ькsin(ках)). (3)
к=0
Задача аппроксимации заключается в нахождении их коэффициентов. Если параметр а является известным, то задача нахождения коэффициентов многочленов (2) и (3) относится к задаче линейной регрессии методом точечного МНК, которая решается посредством минимизации квадратичной функции потерь, представляющей невязку эмпирических данных и полученной на их основе оценки.
В общем случае функцию невязки можно записать в виде
0(0) = 1 (/(хк, в) - Р(хк))2,
к=0
где /(хк, 9) - усредненная на к - ом интервале гистограммы оценка функции плотности вероятности / (х, 9), а 9 - вектор параметров, по которым осуществляется минимизация невязки, точнее, вектор коэффициентов рк , ак и Ьк, от которых многочлены зависят линейно.
Аналогичный вид невязки имеют и при аппроксимации гистограмм многочленами по системам гауссовых и экспоненциальных
функций. При этом указанные многочлены описываются выражениями
M
р( х)=z ak
k=1
M
Р( x) = S Ak
( x)2 Bk
IXI
- Bk
(4)
(5)
k=1
В этом случае задача минимизации невязки относится к задачам нелинейной регрессии, к задаче идентификации параметров Ак и Вк методом точечного МНК.
Негладкую функцию плотности вероятности можно с помощью метода локальной аппроксимации представить последовательностью многочленов вида (4) - (5), определенных на различных интервалах изменения аргумента. В точках сопряжения на них можно наложить дополнительные ограничения типа равенства. При этом на каждом из таких интервалов коэффициенты многочлена находятся посредством минимизации взвешенной функции невязки вида
0 (6) = Х>(Хк - V,)(/(Хк, 0) - Р(Хк)) ,
к=0
где ^(х) - весовая функция, определяющая окно используемых данных, и vl - величина сдвига окна данных для I - интервала аппроксимации, I = 1,..., L . Полученная таким способом последовательность параметров
0, = а^тт Ql (0) решает задачу аппроксимации.
0
Зависимости погрешности аппроксимации гистограммы речевого сигнала от порядка многочленов (2) - (5) приведены на рис. 2. Зависимости вычислительных затрат на аппроксимацию гистограммы речевого сигнала от порядка многочленов для рассмотренных выше случаев приведены на рис. 3.
Таким образом, с учетом вышесказанного, для заданной погрешности аппроксимации е < 5% и при выполнении условия минимизации вычислительных затрат можно отдать предпочтение аппроксимации функции плотности вероятности речевых сигналов многочленом третьего порядка по системе экспоненциальных функций. Предложен рекуррентный алго-
ритм вычислений параметров экспонент Ак, Вк для вышеуказанной аппроксимации функции плотности вероятности.
1Ü0 90 00 70 Б0 50 40 30 20 10 О
t
епенной полином д Фурье д гауссовых кривых
t ря
V\ ряд экспоненциальных кривых
t,
\
N *
\
1
% \ ........
— ------
О 20 30 40 50 ВО 70 80 90 100
Рис. 2. Зависимости погрешности аппроксимации от порядка М
Г,сек
Рис. 3. Вычислительные затраты аппроксимации гистограммы речи
По такому же алгоритму (1) исследуется функция плотности вероятности сигналов акустических помех. Показано, что аппроксимация этой функции многочленом третьего порядка по системе функций гауссовых кривых дает погрешность е < 4,8%.
Исследования спектральных функций речевых сигналов и акустических помех проводились с помощью трех различных алгоритмов с использованием ДПФ на конечных интервалах. В частности показано, что информацию о форме спектра речевых сигналов можно получить с помощью следующих алгоритмов:
1. Построение формы спектральной плотности по максимальным значениям модулей спектральных составляющих множества кратковременных ДПФ в соответствии с выражением
e
e
klm -
L-1 М
Sím(l■ /) = ХХ1 Sm('■ Д/)■Кт,
I=0 т=1
Р
где Д// = ~~~ , кг т - единичная функция для I-
1 -1
ой дискретной частотной составляющей т-ой кратковременной спектральной плотности, кг т подчиняется условиям
1, /)\> К±1 (/■ Д/г)|,
0, ^т±1 (/■ Д/)| > (/ ■ / )|,
М - число интегрированных кратковременных ДПФ, 1 - 1, 2, ... ,М.
2. Построение формы спектральной плотности по средним значениям модулей спектральных составляющих кратковременных ДПФ
1 М L-1
Яср (/ ■ / ) = — XX 18т (/ ■Д// )|.
М т=11=0
3. Спектральную функцию распределения плотности мощности по частоте получаем применением ДПФ от интегрированной АКФ RM (кТ) на конечном интервале из N отсчетов в виде дискретных отсчетов на частоте
со, = 2п .
1 N
Выражение спектральной функции имеет
вид
N-1K-1
G(сl)=ХХКм(кТ)е-скТ .
г=о к=о
Исследования спектральных характеристик различных акустических помех осуществлялись так же преобразованием кратковременного ДПФ от АКФ акустических шумов, то есть по выражению
(г/) = 2Х*я(кТ)е-12л1/гкТ ,
г=о к=о
где RП(кT) - АКФ акустической помехи на конечном интервале.
На рис. 4 видно, что при значениях порядка многочлена #=10^11 достигается погрешность аппроксимации е < 4,9 %.
В работе исследуются параметры систем аудиообмена, влияющих на эффективность передачи информации речевыми сигналами. В частности, исследуется влияние отношения сигнал/помеха на слоговую разборчивость с
помощью инструментально-расчетного метода. Результаты исследований зависимости слоговой разборчивости от отношения сигнал/шум представлены на рис. 5. Из рис. 5 видно, что слоговая разборчивость будет удовлетворять требованию S > 93 % при отношении сигнал/помеха Рс/рак ПОм>20дБ.
G(1), G(f)„„ дБм
f. Гц
20
0 500 1000 1500 2000 2500 3000 3500 4000
а
G(f), ЙЁМ
2 =iHS=lB H=10 E = 3,2 %
IU
А,
\ м
h6 h
l__h, 1
1.ГЦ
500 1000 1500 2000 2500 3000 3500 4000 б
Рис. 4. Аппроксимация спектральной плотности интерполяционным многочленом Лагранжа и спектральные функции плотности мощности акустического шума
Также проведены исследования относительных интенсивностей для различных сигналов и акустических помех по методике вычисления отношения интенсивностей звукового давления I относительно нулевого уровня интенсивности 10=10-12 Вт/м2 по значениям дисперсий сигналов и помех. Относительные значения звукового давления определяются по выражению
I (дБ) = 1018 ^,
Ч Ь • ч
где Ь = 4жЯ.2 - площадь сферы, для случая речевого сигнала k = 2, R = 1 м; для случая акустической помехи k = 1, R = 5 м.
Полученные значения относительных ин-тенсивностей и соответствующие отношения сигнал/шум для различных акустических сигналов представлены в таблице 1.
Таблица 1.
Вид сигнала а2 (Вт) Y (дБ) P P c (дБ) ак.пом.
Речевой сигнал 0,126 103 -
Шум квантования 0,5Т0-5 59 44
Акустические помехи (ОСТ В4 Г0.005.004) 3,5Т0-4 85 18
Шум моря 0,0687 90,4 12,6
Шум ветра 0,0953 91,8 11,2
Шум в машинном отделении 0,111 92,5 10,5
восприниматься с затруднениями.
В работе рассмотрены вопросы компенсации внешних акустических помех-эхосигналов. Для построения более эффективных алгоритмов эхокомпенсаторов, разработана новая модель эхосигналов, построенная на оценке долговременных параметров эха, позволяет уменьшить число отводов адаптивных фильтров и, соответственно, увеличить скорость их настройки. Поэтому проблема высоких порядков адаптивных фильтров в эхоком-пенсаторе упрощается, если обеспечивать компенсацию в локальном диапазоне задержек. В этом случае число отводов адаптивных фильтров уменьшается, число локализованных задержек уменьшается до 1^3. Таким образом, по суммарному числу отводов в схеме эхоком-пенсатора имеет место заметный выигрыш. Структурная схема адаптивного фильтра принимает вид как на рис. 6.
Сигнал на выходе адаптивного фильтра может быть представлен в виде
y(n) = ^u(n +1(n) = ur (n)h(n),
l=0
гДе h(n)=
fho(n) hi(n)
V hL(n).
Л
и u(n) =
( u(n) ^ u(n -1)
u(n - L)
Из таблицы 1 видно, что при наличии таких акустических помех как шум моря, шум ветра, шум в машинном
Рс/РаК. пом. находится в пределах 10,5^12,6 дБ. При таких отношениях сигнал/помеха слоговая разборчивость составляет Ь ~ 65 % (см. рис. 5.). В этом случае передача информации речевыми сигналами системой телекоммуникаций без обработки по повышению отношения сигнал/шум будет существенно затруднена и сообщения абонентом будут
и(п)
.IT(JJ) - ": lJJ > + ,V{'J 1
АЛ")
u{n + T)h1(n +1)
h,(n
и (n + l)hl (n +1)
M* p)
ГШ)
kg
А,
u{n + L)hL{n + L)
Алгоритм адаптации
Рис. 6. Структурная схема адаптивного фильтра компенсации эхо-
сигнала
а
х(п) = иа(п) + у(п - D)
RV(D*T)= Dk)ug(n-Dk-t)
& it=0
Блок вычисления ВКФ
Блок вычисления долговременных параметров А-и
ак = Блок о 0- Ч < Го шаружения эха
I -[пк-^г] к^ ■ и(п+ I) = к^ й^ ■ Т 7 '
1=1
Блок настраиваемых коэффициентов к;
\ = („-DJ
Блок формирования опорной модели эко-сигнала
£-1
ие (га - Da - к)
ьо
ug(n- Da) Блок формирования кадров
и{п)
К-1
Jc = 0
Блок задержек
и - Di - —
й р
Рис. 7. Структурная схема однополосной обработки многоканальной адаптивной компенсации эхо-
сигналов
векторы коэффициентов адаптивного фильтра и выборок опорного сигнала и(п), соответственно.
Структура алгоритма многоканальной адаптивной компенсации, разработанного с применением новой модели эхо-сигналов приведена на рис. 7. Назначение блока корреляторов в представленном алгоритме многоканальной компенсации состоит в определении набора ковариационных функций. По максимумам этих функций в блоке настройки задержек оцениваются значения долговременных параметров эхо-сигналов и, соответственно, определяется число каналов компенсации.
Представлен разработанный метод выбора числа каналов и значений полос пропускания каналов А/ в зависимости от заданной совместной вероятности сосредоточенных помех и формантных составляющих (рис. 8). На основании этого метода разработаны рекомендации по созданию многоканального адаптивного алгоритма подавления акустических шумов и сосредоточенных помех (рис. 9), с применением гребенки узкополосных фильтров с форма-нтным распределением полос режекции.
" РтШ
ею4
510"5 4-1СГ3 310'
M0J 110"
F,
035710
50
1.4310'
Л РшШ
610' 5I0J 410J 310° MOr1 HO3
100
5.7-10Г3
Л Гц
150
200
0.П 10'
50
О.ЧЯО'
iS61(r'
im
150 '200
Рис. 8. Зависимость совместной вероятности формантных составляющих и сосредоточенных помех от А/; ^ - первая форманта, - вторая форманта
y(t)=x(t)+n(t)
ПФ
300-3400
i
n=0
3
kV
пороговое устройство 1, Yi < ко 0, Yi > ко
7
Ii = '
TT
Si^i
ко
пороговое устройство 1, У1 < ко 0, > к0 39
1зз =
TL
S33^§33 40
к0 = ко
2
4i
Рис. 9. Устройство адаптивного подавления акустических помех
ПФ 300-3400 42
u'(n)
4
к0
Таким образом, проведенные исследования позволили разработать теоретические подходы к созданию более эффективных диспетчерско-технологических систем телекоммуникаций, систем громкоговорящей связи обмена речевыми сообщениями в условиях сложной поме-ховой обстановки, разработаны методы построения моделей сигналов и моделей алгоритмов обработки, разработаны методы определения параметров систем передачи и обмена речевыми сообщениями, разработаны более эффективные алгоритмы подавления внешних акустических шумов и помех, разработаны более быстродействующие алгоритмы компенсации эхо-сигналов, решены вопросы повышения эффективности передачи информации речевыми сообщениями в распределенных оперативно-командных телекоммуникационных системах на многофункциональных объектах, работающих в условиях воздействия помех интенсивностью до 90 дБ, путем создания устройств подавления внешних акустических помех и устройств адаптивных эхокомпенсато-ров, позволивших получить отношение Рс / Рак пом на выходе системы более 20 дБ и,
соответственно, обеспечить слоговую разборчивость обмена речевыми сообщениями
> 93%, позволивших обеспечить условия для более достоверного восприятия абонентами передаваемой речевой информации системами аудио обмена.
2. Автоматизированная система экологического контроля и прогнозирования
Снижение негативного воздействия на окружающую среду и контроль над выбросами загрязняющих веществ является важной задачей современных промышленных предприятий.
Один из путей решения проблемы сокращения выбросов представляет собой постоянное исследование и прогнозирование значений концентраций, определение зон локализации загрязняющих веществ с помощью системы контроля, являющейся составной частью экологического менеджмента промышленного предприятия. На основе собранных, обработанных и представленных данных об уровнях выбросов становится возможным принятие необходимых рекомендаций и управляющих решений.
В настоящее время созданы и используются различные методы проектирования систем контроля, различные алгоритмы обработки и анализа временных рядов данных о концент-
рациях выбросов. Вопросы разработки и исследования таких теоретических подходов рассматриваются в работах А.М. Ахмада, И.Р. Дубова, В.В. Вершинина, О.А. Иващук, И.С. Константинова, Т.А. Трифоновой, С.Л. Широковой, Г. Дженкинса, Э.С. Айфичера.
В существующих системах автоматизированного контроля и использованных в них алгоритмах решаются задачи представления данных о концентрациях загрязняющих веществ, областях их локализации, однако не всегда в них учитывается динамика изменений негативного влияния промышленного комплекса на окружающую среду, не всегда прогнозируются изменения экологической безопасности с достаточной точностью.
В связи с этим, возникает необходимость исследования и разработки новых теоретических подходов, методов и алгоритмов, позволяющих учитывать факторы динамичных изменений условий экологической безопасности, возникает необходимость разработки алгоритмов автоматизированного представления данных и прогнозирования изменений уровней выбросов.
Были рассмотрены известные системы контроля загрязняющих выбросов промышленных производств. Исследована обобщенная модель автоматизированной системы управления негативным воздействием на окружающую среду промышленным производством (рис.10), предполагая, что она является наиболее перспекти-
вной.
В работе на основе методов вейвлет-преобразования и технологий искусственных нейронных сетей разработана модель обработки и прогнозирования временних рядов загрязняющих выбросов, а также функциональная структура системы автоматизированного контроля, обработки и представления данных выбросов промышленных производств.
Построение модели анализа временных рядов на основе вейвлет-преобразования позволяет получение информации о частотных составляющих анализируемого сигнала. Это позволяет также анализировать локальные особенности сигналов: скачки, разрывы, всплески, крутые перепады, т.е. работать с нестационарными сигналами, к которым относятся экспериментальные временные ряды концентраций, полученные в результате сбора с датчиковой аппаратуры системы контроля выбросами.
Модель временного ряда (отсчеты хк) вейвлет-преобразованием раскладывается на две проекции - проекцию на пространство V" (аппроксимирующие коэффициенты, представляющие низкочастотную составляющую сигнала) и пространство Ж" (детализирующие коэффициенты, отвечающие за передачу высокочастотной части сигнала). Вычисление аппроксимирующих коэффициентов С, и детализирующих коэффициентов di осуществляется по выражениям:
С1 = — • х(к) • р ^ - к), Р
= — • х(к) • у/1 ^ - к), Р
С,+1 = - • С ^ - к), Р
4+1 = - • С +1(2г^ - к), Р
где, р^) - скейлинг-функции, ) - вейвлет-функция. Аппроксимирующие коэффициенты поступают на вход ИНС для дальнейшей обработки.
Шпс I
Рис. 10. Обобщенная модель автоматизированной системы управления негативного воздействия промышленных производств
Модель нейросетевой обработки аппроксимирующих коэффициентов шестого уровня С6 состоит из следующих этапов:
1. Определение выходов слоев ИНС (прямой проход). Алгоритм прямого распространения.
1.1. Определение выходов 1 слоя ИНС
{ 1 { <- т п 1 , 1 \ \ у1 р(^ 1,1 • С6 + w о,1)
_ у12 _ р(wT 1,2 • С62 + w10,2) у1 _ _
64 г Т ^ 64 1 ч
^У1 у ^(О 1,64 • С6 + w 0,64)у
1.2. Определение выходов 2 слоя ИНС
( ( т 1 , 2 ч ч\
P(W 2,1 • У1 + W 0,1)
>2 =
>2
2
>2 =
10
V > 2 У
(p(w>T2,2 • >j2 + W20,2)
f T 10 , 2 4
P(W 2,10 • >1 + W 0,10)
1.3. Определение выходных аппроксимирующих коэффициентов
р(wт3,1 • У21 + W30,l) ^
>3 =
>3
2
>3 =
10
V>3 У
p(wT3,2 • >22 + W30,2)
( /"•* 1 А
C 6
*2 C 6
n* 10 VC 6 У
/ т 10. 3 ч
3,10 • у2 + W 0,10 )у
2. Определение ошибок (обратный проход). Алгоритм обратного распространения ошибки.
е1-1 _Ж]Ф]е] , j _ П п _1'...,2> еп _РрЪп) - ^
, l^**-! S iVnj ) •
_ Ж У]-1 + WJ0 _ (]*]2,->-т,
3. Коррекция синаптических коэффициентов
W]l ^ +1) _ W]l ^) - аИ]1 )епУ]-1, W]o(k +1) _ W]o(k) -оФ]е].
Полученное на выходе нейронной сети результирующее значение выходного сигнала, сравнивается с эталонным, в результате чего формируется ошибка е]. Относительно ошибки,
полученной на выходе всей сети, рассчитываются ошибки следующих слоёв е]-1. На последнем этапе производится коррекция синаптических весов Ж]1. Составляющая Ж] представляет собой матрицу коэффициентов, ФJ - диагональную матрицу частных производных, ] - линейный выход нейрона т слоя ], h]l - производная функции активации 1-го нейрона ] слоя.
Восстановление временного ряда в соответствии с выражением:
) _ й1 + й2 + .. + Л*п + С*п ,
где а 6 _ С5 - С 6.
Математическая модель экспериментального временного ряда при вейвлет-разложении до
Выпускаемая продукция
Рис. 11. Функциональная модель системы автоматизированного контроля данных
загрязняющих выбросов
уровня "=6 принимает вид:
1 "=6 .(к)=-[Хк)^(2? -к)+2;(С -к))+
р ,=1
+ с1*б • у6 (261 - к) + С**б • р6 (261 - к)] На основании разработанной математической модели обработки входного временного ряда Хк, представляется функциональная модель автоматизированной системы контроля (рис. 11), с повышенными параметрами динамики адаптации, а также длительности и точности прогнозирования.
Проблема контроля в реальном времени обусловлена на алгоритмическом уровне сложной динамикой распределения опасных загрязнений на контролируемом объекте, временными характеристиками датчиков, средств обработки и передачи информации, включая время принятия решения на высшем системном уровне. Для решения данной задачи применяется подсистема анализа и обработки полученных экспериментальных и расчетных временных рядов концентраций загрязняющих веществ. В данном алгоритме прогнозирование и восстановление основано на регрессионном анализе аппроксимирующих и детализирующих коэффициентов вейвлет-преобразования и на применении ИНС.
Временной ряд х(к), формируемый сигна-лаим с датчиков, поступает на блок формализации данных, в котором осуществляется подготовка обучающих выборок для ИНС.
При этом на вход нейронной сети могут быть поданы либо отсчеты временного ряда концентраций х(к), либо коэффициенты вейв-лет-разложения С, ф. На процесс идентификации типа ИНС оказывают влияние ряд ограничений, например, поступающие на вход ИНС
детализирующие коэффициенты ф должны пройти дополнительную обработку в соответствии с алгоритмом мягкого сглаживания, который представлен в виде
ф - 8, при ф > 0, Ц | > 8 ф =\Ц1 + 8, при Ц <0, Ц|>8 0, при |< 8
где 8 - пороговый уровень.
Оптимальный пороговый уровень может вычисляться по различным методам по критерию наилучшего отношения сигнал/шум, или с помощью сравнения зависимостей среднеквадратичных значений детализирующих коэффициентов и суммы коэффициентов от изменения значения уровня (см. таблицу. 2 и рис. 12).
S 25
23,04
12,24/
4,241 6,92 уг 5.227
0.39 * 2,88 4,504 5,137
1 3 3 4 5
Уровень |м; ложения
Рис. 12. Определение порога по функциям зависимостей дисперсии детализирующих коэффициентов временного ряда (синий график) и суммарной дисперсии аппроксимирующих и детализирующих коэффициентов (розовый график) от уровня разложения
Пересечение двух кривых на рис.12, позволяет получить оптимальное значение порога 8 .
Из таблицы 3 видно, что отношение сигнал/шум 16,7 дБ можно достичь, применяя критерий адаптивного штрафного порога. Пос-
Таблица 2. Результаты применения различных методов сглаживания
Критерии Дисп. исходн. сигнала а2 ^исх.сигн Дисп. исходн. шума а2 ^исх.шум Дисп. восст. сигнала а2 ^восст.сигн Дисп. удален. шума а2 "уд.шум Дисп. оставш. шума а2 ^ост.шум а2 ^восст.сигн о2 ост.шум SNR дБ
До фильтрации 5,608 0,2i5 - - - 26,084 i4,2
Штейна 5,608 0,2i5 5,5i6 0,438 0,223 24,7244 i3,9
Эвристический 5,608 0,2i5 5,49i 0,727 0,512 i0,727 i0,3
Минимаксный 5,608 0,2i5 5,303 0,97i 0,756 7,024 8,5
Адаптивного штрафн порога 5,608 0,2i5 5,605 0,095 0,119 46,747 i6,7
Датчики Эля сбора значении концентрации ЙыВросоЬ опасных ЙещестЬ
Пайс ис тепа пребйарительнои обработки Временных ря0оь с применением бейЙлет-разлскения
Формирование брвненнйго ряЭо
1Ж
Выбеленив аппроксимирующих коэффициентов разложения
Прямое беийлет преобразование"
ВыЗеленив сЗетилизируощих коэффициентов разложения и их обработка
d... d
Коэффициенты разложения для дальнейшего <иа/иза и Оыяйлаия осоВетостей ряда
Искусственная нейронная сеть Зля прогнозирования ап прок сини рупщих квэффициентоЬ отражавших тренйоЬые зависимости
Задержка > на период прогноэиробания
< Обратное бей&лэт преобразование
Рис. 13. Комбинированный алгоритм с параллельным разложением коэффициентов и постобработкой с учетом задержки прогноза
ле вейвлет-преобразования временных рядов и проведения предварительной обработки сглаживанием детализирующих коэффициентов, реализуется комбинированный алгоритм автоматизированного контроля и прогнозирования с применением технологий ИНС (структурная схема данного алгоритма приведена на рис. 13).
Проектирование аппаратно-программной системы контроля выбросов осуществляется на основе комбинированного алгоритма и на его структурных блоках, которые определяют состав системы. Основными структурными блоками системы автоматизированного контроля являются регистрационно-измерительная подсистема сбора и сервер системы мониторинга и прогнозирования.
Сервер включает серверную часть ПО системы контроля, сервер базы данных системы контроля, модули для анализа и обработки экспериментальных данных, расчетные модули моделирования и прогнозирования значений временных рядов концентраций. Блок-схема серверной части ПО реализации алгоритма предсказаний трехслойной ИНС представлена на рис. 14.
В соответствии с моделью алгоритма предсказаний трехслойным персептроном, были проведены исследования моделированием результатов прогнозирования, были исследованы погрешности прогнозирования. Результаты анализа погрешностей прогнозирования разработанной системы по сравнению с известной,
Рис. 14. Блок-схема ПО реализации алгоритма предсказаний трехслойным персептроном
приведены на рис. 15. Структурное решение системы автоматизированного мониторинга и прогнозирования приведено на рис. 16.
S %
__-А \
к
t
90
80 70 £0 50 40
за 20 10 О
26 52 73 104 ^
Рис. 15. Погрешности прогнозирования известной (синий график) и разработанной системы контроля (красный график) от числа отсчетов экстраполяции
Таким образом, созданная система автоматизированного контроля и прогнозирования оснащена аппаратно-программной реализацией на основе современной микропроцессорной техники, математического и программного обеспечения, созданного на основе теоретических подходов с применением современных технологий ИНС и математического аппарата вейвлет-преобразований. В созданной системе решены вопросы более высокой динамики
адаптации архитектуры обработки данных при динамично изменяющихся условиях экологической безопасности. Время адаптации сократилось с 600 сек. в известной системе до 170 сек. в созданной. В созданной системе автоматизированного контроля осуществляется прогнозирование с существенно меньшей погрешностью по сравнению с известными (погрешность прогнозирования в созданной системе, в существующих системах минимальная погрешность 22,19%). В созданной системе увеличено время предсказаний в 2,4 раза по сравнению с известной системой автоматизированного контроля и прогнозирования.
Литература
1. Ермолаев В.А., Кропотов Ю.А. Метод барьерных функций в задаче оценивания параметризованной аппроксимации плотности вероятностей с ограничениями//Известия высших учебных заведений. ФИЗИКА, 2013.- Том 56.- №9/2.-С. 209-211.
2. Ермолаев ВА., Кропотов Ю.А. Оценивание параметризованной аппроксимации плотности вероятностей методом барьерных функций // Радиотехнические и телекоммуникационные системы, 2013.-№3.- С. 37-43.
3. Ермолаев В.А., Кропотов Ю.А. Об адап-тивн6ом алгоритме наименьших квадратов в задачах компенсации акустического //Радиотехнические и телекоммуникационные системы, 2012.-№2.- С. 40-44.
4. Ермолаев В.А., Кропотов Ю.А. Оценивание акустических тональных сигналов методами линейной и нелинейной регрессии // Радиотехниче-
Регисгрзционнс-иэмерительная подсистема
ПК 1 пост 1 ■щ-^ Датчик 1 ПК п пост п Датчик 1
Датчик 2 Датчик 2
Клиентская часть БД Датчик п Клиентская часть БД Датчик п
-Сетевой канал предприятия-
Рис. 16. Структурное решение системы контроля
ские и телекоммуникационные системы, 2011.-№1.-С. 71-73.
5. Ермолаев В.А., Еременко В.Т., Карасев О.Е., Кропотов Ю.А. Идентификация моделей дискретных линейных систем с переменными, медленно изменяющимися параметрами // Радиотехника и электроника, 2010, том 55, №1. - C.57 - 62.
6. Кропотов Ю.А. Экспериментальные исследования закона распределения вероятности амплитуд сигналов системы передачи речевой информации.// Проектирование и технология электронных средств. 2006. Т. 4. С. 37-42.
7. Белов А.А., Проскуряков А.Ю. Комбинированный алгоритм прогнозирования на базе вейвлет-преобразования и нейронных сетей // Методы и устройства передачи и обработки информации, 2011.- № 13.- С. 109-113.
8. Белов А.А., Кропотов Ю.А., Проскуряков
Поступила 10 сентября 2013 г.
А.Ю. Вопросы обработки экспериментальных временных рядов в электронной системе автоматизированного контроля // Вопросы радиоэлектроники. Серия ОТ, 2010, вып. 1.- C. 95 - 100.
9. Белов А.А., Кропотов Ю.А., Проскуряков А.Ю. Автоматизированный анализ и обработка временных рядов данных о загрязняющих выбросах в системе экологического контроля // Информационные системы и технологии, 2010. - №6(62). - С. 28 - 35.
10. Белов А.А., Проскуряков А.Ю. Разработка телекоммуникационной системы газового мониторинга для промышленности и коммунального хозяйства с нейросетевой обработкой и прогнозированием данных // Радиотехнические и телекоммуникационные системы, 2012.-№2.-С.63-67.
English
Information-Controlling Telecommunication Systems of Audio Communication and Computer-Aided Monitoring
Kropotov Yury Anatolyevich - Candidate of Engineering, Professor Head of the Department of Electronics and Computer Engineering Murom Institute (branch) "Vladimir State University named after Alexander and Nickolay Stoletov"
Beylekchi Dmitry Vladimirovich - Senior Lecturer Murom Institute (branch) "Vladimir State University named after Alexander and Nickolay Stoletov"
Belov Alexey Anatolyevich -Candidate of Engineering, Associate Professor, Murom Institute (branch) "Vladimir State University named after Alexander and Nickolay Stoletov"
Yermolaev Valery Andriyovych - Candidate of Engineering Associate Professor, Murom Institute (branch) "Vladimir State University named after Alexander and Nickolay Stoletov"
Karasev Oleg Evgenyevich— Candidate of Engineering, Associate Professor Murom Institute (branch) "Vladimir State University named after Alexander and Nickolay Stoletov"
Kolpakov Alexander Anatolyevich - Senior Lecturer Murom Institute (branch) "Vladimir State University named after Alexander and Nickolay Stoletov"
Konoplyov Alexey Nikolaevich - Senior Lecturer Murom Institute (branch) "Vladimir State University named after Alexander and Nickolay Stoletov"
Proskuryakov Aleksander Yuryevich - Senior Lecturer Murom Institute (branch) "Vladimir State University named after Alexander and Nickolay Stoletov"
Address: 602264, Murom, Orlovskaya 23,Vladimirskaya Oblast, Russia. E-mail: kaf-eivt@yandex.ru.
Abstract: Voice information transmission is an effective method of operational management and reliable operational support of complex objects which increases the performance requirements of information-controlling systems of audiocommunication operation in a high interference signaling environment. The paper shows the research and development of methods and theoretical approaches to generating algorithms of voice signal -processing which improves the efficiency of information-controlling telecommunication systems of audio communication in an environment of high intensity external acoustical interference. The paper also deals with research and development of models, methods and algorithms of processing, of data prediction about pollution emission levels in automated information systems of monitoring negative impact on the environment by an industrial enterprise. Data prediction is performed with a combined algorithm based on wavelet transformations and artificial neural network technology.
Key words: processing algorithms, information-controlling telecommunication systems of audio communication, adaptive equalization, linear and non-linear filtration, adaptive equalization, linear and non-linear filtering, environmental monitoring, time series, combined prediction, artificial neural networks.
References
1. Yermolaev V.A., Kropotov Yu.A. Method of Barrier Functions for the Estimation Purpose of the Parameterized Approximation of Limited Probability Density. Izvestija vysshih uchebnyh zavedenij. FIZIKA, 2013. Vol. 56. №9/2. P. 209-211.
2. Yermolaev V.A., Kropotov Yu.A. Estimation of the Parameterized Approximation of Probability Density by the Method of Barrier Functions. Radiotehnicheskie i telekommunikacionnye sistemy, 2013. №3. P. 37-43.
3. Yermolaev V.A, Kropotov YuA. About the Adaptive Algorithm of Least Squares for the Purpose of Acoustic Compensation. Radiotehnicheskie i telekommunikacionnye sistemy, 2012. №2. P. 40-44.
4. Yermolaev V.A., Kropotov YuA. Estimation of Acoustic Tone Signals by the Methods of Linear and Nonlinear Regression. Radiotehnicheskie i telekommunikacionnye sistemy, 2011. №1. P. 71-73.
5. Yermolaev V.A., Eremenko V.T., Karasyov O.E., Kropotov Yu.A. Identification of Models of Discrete Linear Systems with Variables, Slow Varying Parameters. Radiotehnika i jelektronika, 2010, Vol. 55, №1. P. 57 - 62.
6. Kropotov Yu.A. Field Research of Probability Distribution Law of Signals Amplitudes of the Voice Information Transmission System. Proektirovanie i tehnologija jelektronnyh sredstv. 2006. Vol. 4. P. 37-42.
7. Belov A.A., Proskuryakov A.Yu. Combined Prediction Algorithm on the Basis of Wavelet Transform and Neural Networks. Metody i ustrojstva peredachi i obrabotki informacii, 2011. № 13. P. 109-113.
8. Belov A.A., Kropotov Yu.A., Proskuryakov A.Yu. Problems of Experimental Time Series Processing in Electronic System of Computer-Aided Testing. Voprosy radiojelektroniki. Series OT, 2010, Issue. 1. P. 95-100.
9. Belov A.A., Kropotov Yu.A., Proskuryakov A. Yu. Computer-Aided analysis and Processing Time Series of the Data on Polluting Emissions in Environmental Monitoring. Informacionnye sistemy i tehnologii, 2010. №6 (62). P. 28-35.
10. Belov A.A., Proskuryakov A.Yu. The Development of Telecommunication System of Gaseous Monitoring for the Industry and Public Service with Neuronetwork Processing and Data Prediction. Radiotehnicheskie i telekom-munikacionnye sistemy, 2012. №2. P.63-67.
ИНФОРМАЦИЯ ДЛЯ АВТОРОВ
К основным разделам широкого круга научных и технических вопросов, которые возникают в радиотехнических и телекоммуникационных системах (РТС и ТКС) и будут представлены в выпусках журнала, относятся:
• радиолокационные, радионавигационные и телевизионные системы и устройства;
• сети, системы и устройства телекоммуникаций различного типа;
• антенны, СВЧ-устройства и их технологии для радиолокации, радионавигации, телевидения и телекоммуникаций;
• методы синтеза и анализа радиотехнических и телекоммуникационных устройств и систем, алгоритмы их функционирования;
• генерирование, усиление, преобразование сигналов в РТС и ТКС;
• методы кодирования, обработки и отображения информации в РТС и ТКС;
• цифровая обработка сигналов и изображений в РТС и ТКС;
• управление процессами, системами и объектами с использованием радиотехнических средств;
• разработка и методы проектирования радиотехнических и телекоммуникационных средств и устройств;
• моделирование информационных сообщений, сигналов, помех и устройств их обработки в РТС и ТКС;
• оценки эффективности функционирования РТС и ТКС;
• проблемы образования и подготовки специалистов в области РТС и ТКС.
Содержательная часть основных разделов журнала соответствует паспортам научных специальностей 05.12.04 «Радиотехника, в том числе системы и устройства телевидения», 05.12.07 «Антенны, СВЧ устройства и их технологии», 05.12.13 «Системы, сети и устройства телекоммуникаций», 05.12.14 «Радиолокация и радионавигация» Высшей аттестационной комиссии (ВАК). Более детальный рубрикатор журнала будет формироваться в процессе подготовки изданий с учетом актуальных направлений динамичного развития радиотехнических и телекоммуникационных систем. Кроме того, в журнале могут быть представлены сообщения общего характера о решениях в области совершенствования приборов и систем, информация о научных мероприятиях и новинках техники, обзоры деятельности предприятий, НПО, НИИ, и т.п., поздравления и т.д.
Периодичность выхода журнала 4 номера в год.
Всероссийский журнал <«Радиотехнические и телекоммуникационные системы» входит в перечень российских рецензируемых научных журналов, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученых степеней доктора и кандидата наук, что накладывает ограничения на возможность опубликования представляемых в редколлегию статей.
Материалы должны соответствовать критерию научной новизны и обладать «выстроенностью» изложения текста. Статья должна содержать ясно и однозначно сформулированную цель выполненного исследования, содержательную часть (раскрывающую методы достижения поставленной цели) и выводы (заключение), вытекающие из ранее сформулированной цели. В силу этого, представленные статьи рассматриваются редсоветом (рецензируются) не только с точки зрения соответствия тематике журнала, но и с точки зрения соответствия указанным требованиям.
Правила оформления статей и образцы необходимых документов приведены на сайте журнала www.rts-md.com.
